随着现代社会信息化与智能化的迅速发展,无人机及其相关技术也得到了更大范围的应用与研究,这也对无人机飞行控制系统的控制精度与安全性能提出了新的挑战。无人机飞行控制系统是一类多传感器控制系统,因此多传感器信息融合方法作为一种处理多源数据的有效手段,已经在无人机高度控制系统中已经得到广泛使用,其中Kalman滤波由于性能稳定以及计算简单是信息融合技术中最常用的方法之一,但传统Kalman滤波由于种种条件限制在大多数实际应用中难以发展。为了提升无人机高度控制系统在高度方向上的精度以及确保无人机在故障发生情况下对真实状态的有效跟踪,本文基于卡尔曼滤波原理提出了改进Kalman滤波的多层多源信息融合方法和改进扩展Kalman滤波的强跟踪融合方法,保障了无人机高度飞行系统的精确性与鲁棒性。本文的工作主要体现在以下两个方面。（1）引入了改进的Kalman滤波多层信息融合方法,选择无人机高度控制系统常用的3种测高传感器,结合不同传感器的测量特点建立对应的高度观测模型,为高度数据融合做好前期工作;融合算法首先利用ARIMA模型算法对三种传感器的原始测量数据降噪处理,然后利用递推加权最小二乘法对降噪后的三种传感器高度数据进行加权融合以实现改进算法的第一层融合,后借助Kalman滤波将第一次三个传感器的融合结果进行第二层融合,仿真结果对比分析可得,经过两层融合得到的高度数据精度更高,计算分析得到,该算法与未采取融合算法的数据对比得,高度估计值的均方根误差减小50.7%,最大偏差减小59.8%,可以论证得出:最终的融合结果在垂直方向上的定位精度得到有效改善,并且初步具备对异常情况的处理能力。（2）引入了基于扩展Kalman改进的强跟踪滤波方法,并应用于无人机飞行系统中的故障检测与诊断。为了实现对无人机真实飞行状态的有效跟踪,通过扩展Kalman引入了强跟踪滤波算法的理论:一是引入一类新的单重次优渐消因子的强跟踪滤波器。用新息序列计算时变渐消因子,并将其对滤波增益矩阵进行实时修正,该算法侧重于跳过模型参数的更新估计,直接实现对状态的修正估计;二是提出一类新的多重渐消因子的强跟踪滤波器,通过多个渐消因子对不同的数据通道进行渐消,进一步提高系统的跟踪能力;其中多重渐消因子的计算并未采取利用先验信息设计比例的传统方法,而是通过一种新的相对精确的次优算法来计算渐消因子,不仅实现了在线更新渐消因子,也大大节省了计算工作量,最后对跳变型故障与渐变型故障这两种故障情况进行仿真模拟,得到了几种不同算法下系统状态的跟踪效果图,结果显示本文提出的改进次优渐消因子强跟踪滤波算法在性能和精度方面都达到了更优的效果。